King Khalid University

该研究构建了一个机制信息机器学习框架，把药学知识驱动的有向无环图、因果结构发现（PC、NOTEARS、DirectLiNGAM）、XGBoost释放预测、可解释AI（SHAP）与ATE/CATE干预效应估计及反事实制剂分析串联起来，在181条释放曲线、3783个分数释放测量、43个药物-聚合物配对的公开数据集上，XGBoost取得测试R²=0.9774、RMSE=0.0491、MAE=0.0339，并发现相关性与SHAP重要性高度一致（r=0.761），而二者与干预效应估计的一致性很低（r=0.132与−0.021），说明预测上有用的变量与可干预的变量并不相同。

该研究构建了一个机制信息机器学习框架，把药学知识驱动的有向无环图、因果结构发现（PC、NOTEARS、DirectLiNGAM）、XGBoost释放预测、可解释AI（SHAP）与ATE/CATE干预效应估计及反事实制剂分析串联起来，在181条释放曲线、3783个分数释放测量、43个药物-聚合物配对的公开数据集上，XGBoost取得测试R²=0.9774、RMSE=0.0491、MAE=0.0339，并发现相关性与SHAP重要性高度一致（r=0.761），而二者与干预效应估计的一致性很低（r=0.132与−0.021），说明预测上有用的变量与可干预的变量并不相同。

该研究将Ti3C2Tx MXene与n型单晶硅构成异质结太阳能电池，在50 MeV质子与1 MeV电子辐照（电子注量10¹²–10¹⁵ particles/cm²、质子10¹²–10¹⁴ particles/cm²）下结合XRD、Raman、SEM/TEM、EBSD、APT与LAMMPS原子模拟，并用随机森林回归构建物理信息数字孪生，报告器件在辐照后仍保持超过84%的初始光电转换效率（常规硅电池约55%），且数字孪生对VOC、JSC、FF、PCE四项输出的预测R²>0.96。

该研究将Ti3C2Tx MXene与n型单晶硅构成异质结太阳能电池，在50 MeV质子与1 MeV电子辐照（电子注量10¹²–10¹⁵ particles/cm²、质子10¹²–10¹⁴ particles/cm²）下结合XRD、Raman、SEM/TEM、EBSD、APT与LAMMPS原子模拟，并用随机森林回归构建物理信息数字孪生，报告器件在辐照后仍保持超过84%的初始光电转换效率（常规硅电池约55%），且数字孪生对VOC、JSC、FF、PCE四项输出的预测R²>0.96。